Генеративный ИИ против Дизайна Диалогов:
как выбрать правильный подход к автоматизации

Выбор правильного подхода для реализации чат-бота — ключ к успеху автоматизации клиентского сервиса. В этом руководстве мы рассмотрим два основных подхода и поможем понять, когда стоит использовать каждый из них, исходя из специфики вашего бизнеса.

OpenAI выпустил в свет ChatGPT и показал миру, на что на самом деле способны чат-боты. Боты, основанные на больших языковых моделях (LLM), являются крайне мощным инструментом, который можно обучить отвечать на вопросы компании практически мгновенно. Они способны быстро синтезировать информацию, и при этом звучат естественно и человечно.
Возможность дообучать LLM на своих данных позволяет быстро и без дополнительных затрат создать умного чат-бота, готового моментально включиться в работу.

Наш бот с генеративным искусственным интеллектом анализирует существующую базу знаний компании, чтобы мгновенно и точно отвечать на вопросы ваших клиентов.
Для этого достаточно передать боту файлы с документацией или ссылку на web-страницу с FAQ, и бот обучится самостоятельно. После этого бота необходимо подключить к нужному каналу, например, HelpDesk-системе, виджету на сайте или мессенджеру.
Бот готов к работе и может отвечать на вопросы клиентов.

Суть диалог-дизайна заключается в создании сценариев, по которым бот ведет будет вести пользователя для решения запроса. Это проверенный и надежный инструмент для автоматизации.
Технически, могут использоваться несколько подходов к построению бота:

• Кнопочное меню — человек взаимодействует с ботом, нажимая кнопки в меню и проходя в различные разделы сценария, для получения ответа на свой вопрос. Это отличное решение, когда разнообразных запросов достаточно мало и есть четко регламентированные шаги, по которым нужно провести пользователя.
• Распознавание ключевых слов и регулярных выражений — если в запросе встречаются определенные слова, бот сразу выдаст ответ, например, ссылку на статью из базы знаний. Если клиенты задают вопросы одинаково, то это хороший подход, но все синонимы придется задавать вручную.
• Понимание естественного языка (NLU) — позволяет боту анализировать смысл запроса и запускать подходящий сценарий, когда запрос задан в свободной форме.

Мы подробнее рассмотрим вариант с использованием технологии NLU. Ключевое отличие от генеративных ботов состоит в том, что для обучения нужно потратить несколько недель:

• Проанализировать интенты (намерения) пользователей, с которыми они чаще всего обращаются.
• Составить сценарий для обработки каждого интента.
• Обучить бота определять интенты и настроить сценарии обработки диалога.

Наверное, вы уже задаетесь вопросом «а почему бы не использовать оба подхода сразу?» И это совершенно верный путь к получению оптимального срока и оптимальной окупаемости проекта по автоматизации с помощью чат-бота.
Платформа ДиалТех позволяет «из коробки» использовать сразу два подхода: настроить сценарии обработки сообщений и добавить к ним генеративного бота для ответов на самые частые вопросы.
Наши клиенты, чаще всего приходят к гибридной модели двумя путями:

• Уже есть бот с генеративным ИИ, который закрывает простые вопросы клиентов, но требуется поднять уровень автоматизации, исключить ошибки и выдумывание ответов, а также добавить сценарии обслуживания из нескольких шагов, например, для информирования о статусе заказа и оплатах.
• Уже есть сценарный чат бот, забравший на себя обработку большей части запросов, но остается большая доля редких простых запросов клиентов.

И в результате получают максимальный эффект от объединения подходов — максимальная окупаемость при минимальном сроке внедрения.

Большие языковые модели предоставляют огромный набор возможностей, которые не ограничиваются созданием ассистента на своих данных.
Вот как еще мы используем возможности LLM для разработки ботов:

• Обучение NLU-бота на синтетических данных. Вместо того, чтобы наполнять базу знаний бота вручную или из диалогов с клиентами, обучающую выборку можно синтезировать с помощью LLM.
• Синтезирование тестовых данных для бота, на которых можно проверить качество его работы.
• Генерация ответов для бота. Чтобы не придумывать самостоятельно сотни различных ответов от бота, можно попросить GPT сгенерировать текст ответа и вставить его в шаблон или использовать генерацию в реальном времени.
• Определение эмоции в сообщении пользователя. LLM справляется с этой задачей значительно лучше, чем стандартные методы.
• Извлечение сущностей (NER). Чтобы не учить отдельную модель, которая, например, будет извлекать название товара из сообщения пользователя, можно поручить эту задачу генеративному ИИ, который хорошо справляется с поиском именованных сущностей в тексте, не требуя при этом обучения на большой выборке примеров.
• Добавить боту личность и возможность «болтать» с пользователем. Вместо того, чтобы создавать сотни сценариев под обработку отвлеченных вопросов, эту задачу можно поручить LLM.

Мы рассмотрели плюсы и минусы каждого подхода, если остался вопрос «с чего же начать?» вот краткая справка, как выбрать решение:

• Если вы только начинаете заниматься автоматизацией — попробуйте генеративный ИИ, чтобы мгновенно создать бота и протестировать его в работе.
• Если у вас хорошо составленная и актуальная база знаний — начните с генеративного ИИ.
• Если у вас есть большая история диалогов с клиентами — выделите топ тематик и начните с автоматизации этих тематик с помощью дизайна диалогов.
• Если вы хотите контролировать ответы бота — начните с дизайна диалогов.
• Если у вас сложные сценарии решения запросов среди самых частых тематик — начните с дизайна диалогов.

В конечном счете, наиболее эффективные боты должны использовать комбинацию обеих технологий. При этом состав такой комбинации индивидуален для каждой команды поддержки.